文章目录
背景
上篇总结了一些收缩法,这篇论文就是一个示例,虽然这篇论文是在那人之前写的。
Sparse eigenvectors(单个向量的稀疏化)
A ∈ S n → n × n 半 正 定 矩 阵 A \in \mathrm{S}^{n} \rightarrow n\times n半正定矩阵 A∈Sn→n×n半正定矩阵
初始问题(low-rank的思想?)
C
a
r
d
(
x
)
\mathbf{Card}(x)
Card(x)表示
x
x
x里面的非零元的个数。
等价问题
最小化 λ \lambda λ 得到下列问题(易推)
再来一个等价问题
思路:
x
T
A
x
=
T
r
(
x
T
A
x
)
=
T
r
(
A
x
x
T
)
x^\mathrm{T}Ax=\mathbf{Tr}(x^\mathrm{T}Ax) = \mathbf{Tr}(Axx^{\mathrm{T}})
xTAx=Tr(xTAx)=Tr(AxxT)
x
x
T
→
X
xx^{\mathrm{T}}\rightarrow X
xxT→X
显然
X
X
X是需要符合那些额外条件的。
条件放松(凸化)
A robustness interpretation
考虑惩罚项:
最大化最小,体现了robust?
最后是算了最大里面的最小,这才是robust?
收缩
结果就是取 X X X的首特征向量,然后,再利用Hotelling’s deflation(之前也分析过了,这个收缩方法其实并不适用,用正交投影比较好)。